智能語音識(shí)別技術(shù)的發(fā)展現(xiàn)狀與應(yīng)用前景

郝歐亞，吳 璇，劉榮凱

(1.華北理工大學(xué)電氣工程學(xué)院，河北 唐山 063210；2.華北理工大學(xué)理學(xué)院，河北 唐山 063210)

1 引言

語言最開始是人與人之間所特有的交流與溝通的工具，隨著科學(xué)技術(shù)的不斷發(fā)展，語音并不只是人與人之間的交流工具，也成為人與機(jī)器之間的交流工具[1]。人類可以通過語言與機(jī)器進(jìn)行溝通，并傳達(dá)自己的指令，并且機(jī)器會(huì)根據(jù)指令去做相應(yīng)的工作[2]。近些年，智能家居發(fā)展勢頭迅猛，日常生活中與機(jī)器的交流也越來越多，語音識(shí)別技術(shù)是智能家居的重要組成部分，它能夠使得人與機(jī)器更好地交流[3]。目前，科技正在改善著我們的生活方式，電視中加入了人工智能的語音識(shí)別功能，可以不用使用遙控器，對(duì)著屏幕講話就可以對(duì)電視機(jī)進(jìn)行控制，使得生活更加智能化。

2 智能語音交互

智能語音交互是以語音輸入為基礎(chǔ)的新型交互模式，通過與機(jī)器進(jìn)行語音交流就能夠接收到反饋的結(jié)果，其系統(tǒng)主要由語音的采集與識(shí)別、語義的理解以及語音的合成組成。語音采集主要是對(duì)音頻進(jìn)行錄入和采樣以及對(duì)音頻進(jìn)行編碼；語音的識(shí)別主要是利用對(duì)語音識(shí)別的引擎來把采集的語音按照特定的場景與語音識(shí)別數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行對(duì)比匹配，待匹配成功后，把匹配成功獲得的結(jié)果轉(zhuǎn)變?yōu)槲谋净蛘呙钸M(jìn)行輸出；語義的理解主要是把語音識(shí)別所轉(zhuǎn)出的文本或命令完成對(duì)應(yīng)的操作；語音合成是將對(duì)應(yīng)的文本或命令轉(zhuǎn)化為聲音輸出。語音識(shí)別數(shù)據(jù)庫既可以放在終端也可以放在云端上，由于目前所使用的語音識(shí)別數(shù)據(jù)庫的算法比較復(fù)雜并且數(shù)據(jù)量巨大，所以大都選擇放在云端。語義理解數(shù)據(jù)庫同語音識(shí)別數(shù)據(jù)庫一樣既能放在終端也能放在云端，由于這個(gè)數(shù)據(jù)庫需要與操作系統(tǒng)或應(yīng)用進(jìn)行耦合綁定，所以通常會(huì)放在終端。

3 智能語音識(shí)別技術(shù)在智能家居中的應(yīng)用

3.1 智能電視

3.1.1 應(yīng)用背景

目前廣播電視行業(yè)發(fā)展迅速，電視的頻道以及節(jié)目源也越來越多，傳統(tǒng)的電視使用遙控器來操作，其中的弊端日益顯現(xiàn)出來，比如，用戶需要記住大量的電視頻道來調(diào)臺(tái)，太過繁瑣，所以開發(fā)能夠進(jìn)行語音操控的電視機(jī)非常有必要，從而智能語音識(shí)別技術(shù)為了滿足需求也被慢慢地應(yīng)用到電視中去。

3.1.2 應(yīng)用場景

將智能語音識(shí)別技術(shù)應(yīng)用到電視中，是對(duì)過去使用遙控器方式來控制電視方式的創(chuàng)新，主要包含語音輸入、語音處理以及語音執(zhí)行三個(gè)方面。將智能語音識(shí)別技術(shù)應(yīng)用到電視中，需要具備下列條件：網(wǎng)絡(luò)連接、本地識(shí)別、通過命令方式執(zhí)行。下面將對(duì)目前市面上智能語音識(shí)別技術(shù)在電視上的應(yīng)用場景進(jìn)行介紹：

(1)語音遙控開關(guān)、選臺(tái)。智能語音識(shí)別技術(shù)在電視中最典型的應(yīng)用就是語音遙控。電視中有一個(gè)微型計(jì)算機(jī)系統(tǒng)，這個(gè)系統(tǒng)通過智能技術(shù)可用聲音來激活，它能夠識(shí)別人的語言，然后來控制電視機(jī)的程序運(yùn)行。另一種語音控制方式是在智能手機(jī)上安裝控制電視的軟件，然后指令再發(fā)送到遙控器中，遙控器吧指令轉(zhuǎn)換為紅外信號(hào)實(shí)現(xiàn)對(duì)電視的控制。當(dāng)前市面上在售的智能選臺(tái)系統(tǒng)，其中包含了智能語音芯片，它在保留原本遙控功能的基礎(chǔ)上，還可以實(shí)現(xiàn)開關(guān)、選臺(tái)、調(diào)節(jié)音量等功能。

(2)音樂圖譜檢索。想要用電視聽音樂時(shí)，可以語音輸入“林俊杰的歌曲”，現(xiàn)在的電視廠家一般都與音樂軟件商有合作，所以在聽到語音后會(huì)在電視上呈現(xiàn)一個(gè)林俊杰歌曲的播放界面，有的可能以圖片形式展示，有的可能以歌單形式展示。

(3)視頻圖譜檢索與多輪對(duì)話。在視頻圖譜檢索方面的應(yīng)用已經(jīng)非常常見，主要來說一下多輪對(duì)話。例如，想看“綜藝節(jié)目”，然后電視上會(huì)先出來一系列的比較熱門的綜藝節(jié)目，如果上面沒有符合要求的就繼續(xù)說“謝娜的”，智能語音就會(huì)根據(jù)這兩次的語義進(jìn)行篩選，最終篩選出符合要求的綜藝節(jié)目。

(4)圖像識(shí)別。此功能就是對(duì)電視上呈現(xiàn)的圖像進(jìn)行識(shí)別，主要是對(duì)人臉、花草、建筑物等進(jìn)行識(shí)別。比如，當(dāng)你在看電視時(shí)，電視上出現(xiàn)一種你不認(rèn)識(shí)的植物，可以對(duì)著電視機(jī)說“這是什么植物”，電視就會(huì)對(duì)圖像進(jìn)行識(shí)別，最終反饋出來。

3.1.3 智能語音識(shí)別技術(shù)對(duì)電視產(chǎn)業(yè)的影響

現(xiàn)在在電視中加入智能語音識(shí)別技術(shù)主要是為了代替遙控器的功能，使用語音來控制電視，可以直接通過說話就能調(diào)出電視機(jī)的菜單以及電視節(jié)目等，同樣還能夠進(jìn)行文字的輸入，直接查詢到以文字信息當(dāng)作索引的“非標(biāo)準(zhǔn)菜單”內(nèi)容。也就是說現(xiàn)在的智能語音識(shí)別技術(shù)不僅能替代傳統(tǒng)遙控器的所以功能，還有一些遙控器所不具有的新的功能。未來電視產(chǎn)品的發(fā)展將會(huì)通過智能語音識(shí)別技術(shù)打開一片新的應(yīng)用市場。傳統(tǒng)的電視機(jī)內(nèi)容的傳導(dǎo)只能是單向傳輸，而現(xiàn)在的智能語音電視可以實(shí)現(xiàn)雙向的交互，從而使得電視機(jī)能夠成為一個(gè)語音交互與信息處理的機(jī)器，能夠控制其他智能家居產(chǎn)品。從某種意義上來說，具有智能語音識(shí)別功能的智能電視是我們步入人工智能這個(gè)時(shí)代的窗口，并且把這個(gè)當(dāng)作引線，涵蓋的是整個(gè)家居生活、家庭以及個(gè)人的“智能應(yīng)用”體系網(wǎng)絡(luò)，還有這個(gè)體系網(wǎng)絡(luò)背后所依賴的云存儲(chǔ)與計(jì)算體系。

3.2 空調(diào)

現(xiàn)在很多家庭買的空調(diào)一般都不需要連接網(wǎng)絡(luò)就可以操控運(yùn)行，所以就不能實(shí)現(xiàn)語音功能，因?yàn)槿鄙倬W(wǎng)絡(luò)這個(gè)必備的條件。這樣就需要對(duì)空調(diào)進(jìn)行本地操作，讓其具有語音識(shí)別處理功能，用戶能夠朗讀命令來控制空調(diào)本身所具有的詞庫，空調(diào)識(shí)別自身詞庫中的命令來完成用戶的指令。

4 智能語音識(shí)別技術(shù)面臨的問題

(1)環(huán)境中的噪聲干擾

語音的信號(hào)多種多樣，而且在一些嘈雜的環(huán)境中，語音很難被識(shí)別，目前所公布的語音識(shí)別準(zhǔn)確率為97%這只是在室內(nèi)環(huán)境相對(duì)安靜的情況下才可以達(dá)到，實(shí)際中這樣安靜的情況很少存在，而且現(xiàn)在仍然沒有一個(gè)行之有效的方法來解決環(huán)境中的噪音干擾。

(2)不標(biāo)準(zhǔn)的語音識(shí)別率比較低

智能語音識(shí)別技術(shù)在機(jī)器學(xué)習(xí)的推動(dòng)之下進(jìn)步了許多，但是仍然存在一些不足。目前的語音識(shí)別技術(shù)大都針對(duì)的普通話用戶，對(duì)于摻雜著方言的語音識(shí)別起來可能會(huì)比較困難。但是，現(xiàn)在很多人的普通話都不是很標(biāo)準(zhǔn)，多多少少會(huì)摻雜一些地方口音，這就使得語音識(shí)別軟件在識(shí)別時(shí)會(huì)出現(xiàn)差錯(cuò)，與預(yù)期的結(jié)果不一致。

(3)容錯(cuò)率的處理

由于語音的發(fā)布者有時(shí)會(huì)說錯(cuò)字，這就會(huì)使得軟件在識(shí)別時(shí)無法正確識(shí)別其語義，最終使得準(zhǔn)確率受到影響，這時(shí)需要進(jìn)行手動(dòng)修改或者重新輸入語音。先在，一些企業(yè)也正在研發(fā)將不通順的語句理解過來的語音識(shí)別軟件。

5 智能語音識(shí)別技術(shù)的發(fā)展前景

現(xiàn)在，我國的智能語音識(shí)別技術(shù)已經(jīng)進(jìn)入到一個(gè)瓶頸期，環(huán)境中的噪聲干擾問題，方言識(shí)別問題以及容錯(cuò)率問題都不能得到很好地解決，限制了語音識(shí)別技術(shù)的向前發(fā)展。而且智能語音識(shí)別技術(shù)在未來智能設(shè)備的發(fā)展中有著巨大的市場，能夠吸引更多的商業(yè)巨頭來加入。目前，國內(nèi)的互聯(lián)網(wǎng)巨頭都在進(jìn)軍語音市場，比如百度的小度語音助手、小米的小愛音箱等都陸續(xù)問世。

6 結(jié)語

截至目前，我國在語音識(shí)別技術(shù)方面的研究也取得了一定的進(jìn)步，智能手機(jī)是目前應(yīng)用語音識(shí)別功能最多的，可以實(shí)現(xiàn)語音打字，語音聊天等功能。未來我國的智能語音識(shí)別技術(shù)將會(huì)隨著科技的發(fā)展逐漸進(jìn)步，最終應(yīng)用到生活的方方面面。